論文の概要: Echo: Coupled Action and Task Status Signal Denoising for Vision Language Action Models

• arxiv url: http://arxiv.org/abs/2610.31569v1
• Date: Thu, 22 Oct 2026 17:12:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.491186
• Title: Echo: Coupled Action and Task Status Signal Denoising for Vision Language Action Models
• Title（参考訳）: Echo:視覚言語行動モデルのための協調行動とタスク状態信号
• Abstract要約: タスクの完了と失敗を認識することで、ロボットは成功を止めることができ、障害後のリカバリや再計画を開始することができる。 既存の手法は、これらの実行決定をサポートするためにタスクステータス信号予測を備えたビジョン言語アクション(VLA)ポリシーを増強する。 フレームレベルのプログレッシブアノテーションを使わずにタスクステータス信号学習を組み合わせたフレームワークであるEchoを提案する。
• 参考スコア（独自算出の注目度）: 34.55419083416001
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recognizing task completion and failure enables robots to stop upon success and initiate recovery or replanning after failure. Existing methods augment Vision Language Action (VLA) policies with task status signal prediction to support these execution decisions. However, learning and integrating these signals can require fine-grained supervision, external monitoring models, or complex architectural designs. Moreover, the potential of task status signals to directly guide action generation remains underexplored. We present Echo, a framework that combines task status signal learning without frame-level progress annotations with a compact design for status prediction and action generation within a single VLA. Specifically, Echo represents task status with stop and failure signals, added as two dimensions of each action chunk and denoised together with robot actions. Their combination distinguishes ongoing execution, successful completion, and failure. To learn these signals without fine-grained progress annotations, Echo constructs successful, failed, and recovery trajectories with complementary supervision properties. To enable status signal-guided action generation, Echo controls interactions between the signals and actions and denoises the signals faster than the actions. These allow later action denoising steps to condition on cleaner status estimates while preserving accurate signal prediction. Extensive real-world manipulation experiments show that Echo accurately predicts task status and consistently improves policy performance.
• Abstract（参考訳）: タスクの完了と失敗を認識することで、ロボットは成功を止めることができ、障害後のリカバリや再計画を開始することができる。 既存の手法は、これらの実行決定をサポートするためにタスクステータス信号予測を備えたビジョン言語アクション(VLA)ポリシーを増強する。 しかし、これらの信号の学習と統合には、きめ細かい監督、外部監視モデル、複雑なアーキテクチャ設計が必要である。 さらに、アクション生成を直接誘導するタスクステータス信号の可能性については、未検討のままである。 フレームレベルのプログレッシブアノテーションを使わずにタスクステータス信号の学習と,単一のVLA内での状態予測とアクション生成を行うためのコンパクトな設計を組み合わせたフレームワークであるEchoを提案する。 具体的には、Echoは停止信号と失敗信号でタスクの状態を表し、各アクションチャンクの2次元として追加され、ロボットアクションとともに認知される。 それらの組み合わせは、進行中の実行、成功、失敗を区別します。 詳細なプログレッシブアノテーションを使わずにこれらの信号を学習するために、Echoは相補的な監視特性を持つ成功、失敗、回復軌道を構築している。 ステータス信号誘導アクション生成を可能にするため、Echoは信号とアクション間のインタラクションを制御し、アクションよりも早く信号を認知する。 これにより、正確な信号予測を保ちながら、よりクリーンな状態推定を条件付けるための後の行動記述ステップが可能になる。 大規模な実世界の操作実験は、Echoがタスクステータスを正確に予測し、ポリシーパフォーマンスを継続的に改善していることを示している。

関連論文リスト

• Enhancing Visual Task-Redirection Attacks on Vision-Language-Action Models via Closed-Loop Optimization [53.4936961783344]
  視覚言語アクション(VLA)モデルは、言語誘導ロボット操作を可能にするが、視覚攻撃には弱い。 我々は,クローズドループ最適化による既存の視覚的攻撃を強化するフレームワークであるTRACOを提案する。 VLAモデルとシミュレーション環境をまたいだ実験では、TRACOによるタスク・リダイレクトの成功が改善された。
  論文  参考訳（メタデータ） (2026-10-16T14:51:44Z)
• Fly-by-Code: Embodied Coding Agents for Aerial Manipulation with Active Visual and Physical Feedback [63.75302732504381]
  エンボディードコーディングエージェントは、プログラムを生成し、実行フィードバックからそれらを精製することで、ロボットポリシーを構築する。 この改善は、実行フィードバックがタスクが成功したかどうかを明らかにし、失敗した後、プログラムのリビジョンをガイドするのに十分な証拠を提供すると仮定する。 同じフィードバックを再検査しても、収集されていない観察や、利用可能な証拠が区別できない原因を分離することはできません。 アクティブな"View and Probe"フレームワークであるActive Feedback(AF)を紹介します。
  論文  参考訳（メタデータ） (2026-10-08T18:00:00Z)
• Unifying Policy Learning and State Prediction through Spatial Language Modeling [52.172884936392535]
  本研究では,シーンの輪郭,目標,行動目標,将来の状態を個別座標と意味トークンの共通語彙で表現する空間言語モデリングを提案する。 タスク固有の文法はこれらの要素を空間配列に整理し、1つの自己回帰変換器が行動生成と行動条件付き状態予測を学習できるようにする。 ランダム・プレイ・トランジション・プレトレーニングを駆使してモデルをスクラッチからトレーニングし、その後、専門家によるデモンストレーションで共同動作と状態トレーニングを行う。
  論文  参考訳（メタデータ） (2026-10-08T15:43:08Z)
• VLA-Corrector: Stage-Aware Observable State Understanding for Prompt-Based Closed-Loop Recovery of Vision-Language-Action Policies [12.698552476812855]
  VLA(Vision-Language-Action)ポリシーによる長距離ロボット操作は、実行時の逸脱に対して脆弱である。 本稿では,固定VLAポリシのクローズループ修正を可能にする,ステージアウェアの故障検証とPromptリカバリフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-06T09:50:30Z)
• Towards Neuro-Symbolic Procedural Reasoning for Long-Horizon Vision-Language-Action Manipulation [12.461719086222788]
  視覚言語アクション(VLA)モデルは短い操作スキルを実行することができるが、長い水平手順では不安定である。 本稿では,学習したVLA制御と明示的なタスクグラフ,マルチモーダル・プロシージャ記憶を組み合わせたニューロシンボリック・フレームワークについて検討する。
  論文  参考訳（メタデータ） (2026-09-04T17:14:50Z)
• PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
  我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。 セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。 SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。 ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
  論文  参考訳（メタデータ） (2026-07-18T04:46:53Z)
• From Reaction to Anticipation: Proactive Failure Recovery through Agentic Task Graph for Robotic Manipulation [45.37258918150899]
  本稿では,操作タスクを有向タスクグラフとしてモデル化するエージェントシステムであるAgentChordを紹介する。 実行前に、このグラフには、コンテキスト対応の修正動作を指定する予測リカバリブランチが組み込まれている。 多様な長距離双方向操作タスクに関する実証研究は、AgentChordが成功率と実行効率を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2026-05-12T11:00:45Z)
• See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation [59.07792608884117]
  本稿では,See, Plan, Rewind (SPR)について紹介する。 SPRは、現在の状態と今後のマイルストーンを見て、次の2Dウェイポイントに向けて軌道を計画し、障害時に回復可能な状態に戻すという、継続的なコアサイクルを通じて運用される。 SPRは、OpenVLA-OFTとUniVLAを上回る最小のパフォーマンス低下で最先端のロバスト性を達成する。
  論文  参考訳（メタデータ） (2026-03-10T07:22:51Z)
• Scene Graph-Guided Proactive Replanning for Failure-Resilient Embodied Agent [9.370683025542686]
  本稿では,サブタスク境界における障害の検出と修正を行う,アクティブなリプランニングフレームワークを提案する。 AI2-THORシミュレータの実験では,実行障害発生前の意味的および空間的ミスマッチを検出する。
  論文  参考訳（メタデータ） (2025-08-15T07:48:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。